我已经在堆栈溢出中问过这个问题，但得到了专家的回复，在这里发布这个问题，请帮助我理解这个概念......

我正在尝试了解 Faster RCNN 中的 RPN 网络。

我了解RPN网络的概念，

1. 将输入图像传递给预训练的 CNN，并得到输出作为特征图
2. 制作固定大小的特征图
3. 从固定大小的特征图中提取锚点（每个滑动窗口有 3 个不同的比例和比例）。
4. 使用两个 1×1 全连接 NN 查找背景或对象和边界框坐标（4 个值）
5. 用 Ground Truth 边界框计算 Anchors 边界框的 IOU，如果 IOU>0.7，则锚点有对象，否则，锚点有背景。

RPN 的主题是给出具有对象的区域建议。

但是，我不明白输入和输出结构。

例如，我有 50 张图像，每张图像有 5 到 6 个对象，以及标签信息（每个对象的坐标）。

如何生成目标值来训练 PRN 网络...

在所有博客中，他们将架构展示为将整个图像提供给预训练的 CNN。

并且，RPN的输出，模型必须判断anchor是否有object，并且还要预测anchor中object的bounding box。

为此，如何准备输入和目标/输出值，就像我们在狗/猫或狗/猫/汽车分类问题中所做的那样。

如果我不正确，请让我纠正，

就是说，我们必须裁剪每张​​图像中的所有对象，并作为对象与背景进行二进制分类，以对锚点是否有对象进行分类

而且，是不是，我们必须将数据集中所有图像中每个裁剪对象的真实值作为目标，以便 RPN 网络训练良好，以预测每个锚点中对象的边界框。

希望，我清楚地解释了我的疑问。

帮我学习这个概念，谢谢